一種基于圖像處理的魚類自動分類方法

陳從平　吳杞　吳喆　呂添

摘 要：為了準確地對魚類的品種進行自動識別，本次研究以鳊魚、鯽魚、鳙魚、草魚四種淡水魚為實驗對象，提出一種基于圖像處理的魚類自動識別方法。首先對魚的外輪廓進行魚體長度統一化處理，再提取并計算魚體頭部輪廓夾角、魚體尾柄寬度與尾柄中點到魚頭夾角頂點的長度之比（寬長比）等特征值，最后運用魚頭部輪廓夾角與寬長比這兩個特征對四種淡水魚進行分類識別。研究結果表明，本文所提供的分類方法能準確地對鳊魚、鯽魚、鳙魚、草魚四種淡水魚的品種進行識別，且識別精度達到94.97%以上。可為魚類品種的自動識別提供指導，具有較好的實際應用價值。

關鍵詞：圖像處理；魚類品種識別；魚頭夾角；寬長比

中圖分類號：TP391.4 文獻標識碼：A

Abstract：In order to accurately identify fish species，this study takes four species freshwater fishes，including bream，crucian，bighead，grass carp，as the experimental subjects，and proposes an automatic identification method for fish species based on image processing.The first step is to unify the outer contour's length of the fish body，then to calculate the angle of fish's head and the ratio of the width of the fishtail to the length between the middle point of the fishtail and the vertex of head's angle （ratio of width to length）.Finally，the angle of fish's head and the ratio of width to length are used to classify the four freshwater fishes.The results show that the method presented in this paper can accurately identify the four freshwater species，and the accuracy is over 94.97%.It can be used as a guide for the automatic identification of fish species with good practical value.

Keywords：image processing；fish species identification；head angle；ratio of width to length

1 引言（Introduction）

中國是一個擁有豐富淡水魚資源的漁業大國，但我國的水產養殖自動化水平與發達國家相比還存在較大差距，水產加工業自動化水平也相對滯后。其中，淡水魚在加工前需要完成對不同種類的魚進行分類任務，我國依然主要是用傳統的人工操作方法進行挑選，這種方法存在的缺點有：作業環境惡劣，勞動強度大，損傷魚體，效率低[1]。隨著計算機技術的高速發展，新概念、新方法、新理論的不斷涌出，機器視覺技術已經廣泛的應用到各行各業中，其中在農業領域應用尤為突出，例如對水果大小分級[2-4]、表面損傷檢測[5，6]及通過表面顏色進行成熟度檢測[7-9]等方面有重要的應用。在淡水魚種類識別研究方面，D.J.white[10]等人利用機器視覺技術對比目魚的七種不同品種通過顏色與形狀特征的提取進行分類，準確率達到99.8%。張志強[11]等人運用數字圖像處理技術對淡水魚圖形進行處理，提取其各個顏色分量及長短軸之比等特征值，運用該值建立有關淡水魚的品種識別模型，最終實現鰱、鯽、鳊、鯉這四種淡水魚的品種識別，準確率達到96.67%。吳一全[12]等人提出了一種基于krawtchouk矩、灰度共生矩陣、蜂群優化多核最小二乘支持向量機的識別方法，并通過編程對鳊、鳙、鯽、草、青魚五種淡水魚進行了分類識別，各類魚的精度均可達到83.33%以上。2016年，涂兵[13]等利用機器視覺技術提出一種基于魚體背部輪廓相關系數算法的魚品種分類方法，通過計算魚體輪廓與建立的四種魚的背部輪廓數學模型之間的數值關系進行魚類自動識別，精度均能達到91%以上。

以上四種魚類識別方法分別是以顏色分量、局部形狀、長短軸之比、紋理、背部輪廓為特征對指魚類進行識別，雖然已取得了良好的分類效果，但是使用顏色分量、紋理為特征，實驗結果容易受到外界光線強度，魚鱗損傷程度、魚類活性程度等因素影響，而使用局部形狀、長短軸之比、背部輪廓為特征，實驗結果也易受到尾部完整程度、魚鰭張開程度、魚體大小程度等因素影響。為了減少上述因素對魚類識別精度造成的嚴重影響，本文將通過機器視覺技術，并提取魚體頭部夾角和寬長比例兩個不易受外界干擾的參數為特征，建立淡水魚的識別模型，對鳊魚、鯽魚、鰱魚、草魚四種常見淡水魚進行識別分類處理，取得了較好的分類效果。

2 試驗材料和方法（Test materials and methods）

2.1 試驗材料和設備

采用鳊魚、鯽魚、鰱魚、草魚等具有代表性的四種淡水魚進行實驗研究，每種魚45條，共180條。其中，120條（每種魚30條）作為訓練樣本，用于提取特征并建立識別模型；其余60條（每種15條）則作為測試樣本對模型進行驗證。試驗采用圖1所示的圖像采集系統進行魚體圖像進行采集。硬件部分主要包括魚傳送裝置、檢測箱、托盤、攝像機、絲桿、環形光源、PC機等組成。其中攝像機采用的是深圳京航科技生產的JHSM500f-E型工業相機（USB接口），光源采用32W的白色環LED燈，檢測箱內部各面為黑色不反光平面，底部托盤為白色面板。軟件部分基于VS2013平臺使用C++語言調用OPENCV3.0庫進行開發，用于圖像預處理和魚輪廓特征數據提取。

2.2 圖像預處理

本文主要對四種淡水魚的品種識別是通過提取魚體特征，主要包括魚體頭部夾角及角頂點坐標，魚體尾柄高度及尾柄中點坐標，然后建立識別模型。其中具體的圖像處理流程如圖2所示。

通過攝像機采集的圖像大小為1920*1200像素，為了盡可能避免因圖像過大而導致圖像處理效率降低，將采集的每一張圖像自動裁剪成大小為780*280像素的標準圖像，且保證魚體圖像在其中間，并進一步對裁剪后圖像進行灰度化處理，規則是：任意一個像素點中的R（紅）、G（綠）、B（藍）顏色分量值，采用灰度化公式計算出該點的灰度值，并用每個點的灰度值代替該像素點的像素值，結果如圖3所示。

為突出作為前景的魚體及其輪廓，對灰度圖進行二值化，通過大量實驗提取并設定灰度閾值設定為130，以此為標準對圖4進行二值化的結果如圖4所示。

為了獲得魚體的外部輪廓，對二值化圖像進行目標輪廓自動提取，并將線寬設置為1個像素，從而得到各類魚的圖像輪廓如圖5所示。

在提取所需的魚體輪廓參數之前，為降低魚體本身尺寸差異對輪廓參數數值的影響，需要對魚輪廓進行長度統一化處理，具體的方法是：尋找當前魚體輪廓的最小外接矩形，接著對魚體輪廓在長寬方向進行等比縮放，使所有魚的輪廓長度為L（設定的已知參數）個像素，圖6為對圖5長度統一化后的結果圖。

3 特征參數提取（Feature parameter extraction）

3.1 魚體頭部輪廓夾角提取

提取魚嘴附近上、下輪廓點群，再將兩個點群分別利用最小二乘原理進行線性擬合，擬合成的兩條直線的夾角（銳角）定義為魚體頭部輪廓夾角，夾角頂點坐標記為A。實際中發現，若拍攝時魚嘴處于不同程度張開狀態會影響提取的角的正確性。針對該問題，本文通過大量實驗統計發現，只提取如圖7所示的、兩直線區間里的部分的魚頭輪廓點群分別進行直線擬合時準確度最高。圖7為以鳙魚為例并利用上述方法得到魚體頭部夾角和夾角頂點。

3.2 魚體尾柄高及其中點坐標提取

如圖7所示，對魚體輪廓后半段即圖示的至魚尾的輪廓段逐列掃描，記每列掃描到的上下輪廓點（像素值為0）坐標分別為、，其中為掃描列數，上標、分別指同一列上的上、下輪廓，則魚身某處的寬度為：

實際計算過程中，若搜索到某列輪廓點數大于2個，則認為該部位存在魚鰭，將該列數據全部舍去。定義魚身長度參數：

4 實驗結果與分析（Experimental results and analysis）

通過提取并計算120條淡水魚的頭部輪廓夾角和寬長比 的范圍，其結果分布如圖8所示。

通過對分布圖的統計可以得到每類魚的魚體頭部夾角大小和寬長比的均值、方差、閾值區間，具體如表1所示。

結合圖8和表1可以看出，草魚的頭部夾角分布在40.8—50.12度，而鯽魚頭部輪廓夾角分布在57.34—68.56度，且與鳊魚和鳙魚的頭部夾角范圍有顯著區別，即通過判別魚的頭部輪廓夾角即可識別出草魚和鯽魚。但是，鳙魚和鳊魚頭部夾角大小范圍存在交叉，區分度不夠明顯，若僅從魚頭部夾角來考慮，無法將鳙魚、鳊魚進行分類。

進一步考查圖8（b）和表1可以發現，鳙魚的寬長比分布為0.112—0.138度，鳊魚的寬長比分布為0.132—0.149度，即鳙魚和鳊魚的寬長比分布區間有較為顯著的區別。因而，首先通過魚頭部輪廓夾角識別出草魚和鯽魚后，在此基礎上，可進一步通過比較魚的寬長比識別出鳙魚和鳊魚，最終實現對四種淡水魚類進行識別。

將檢驗樣本中60條魚的圖像經過上述處理，得到魚體頭部夾角和寬長比，再將兩個特征值代入識別模型進行驗證，結果統計如表2所示，對四種淡水魚品種的識別的準確度可達94.97%。出現偏差的主要原因在于提取魚輪廓不夠準確所導致，但總的來說，本文識別方法中所設計的兩個魚體特征參數具有較好的穩定性，不易受外界影響而改變，從而使該識別方法具有更好的可靠性。

5 結論（Conclusion）

本文提出了一種基于魚類頭部輪廓夾角和魚體寬長比兩個主要特征的淡水魚種類識別的新方法。首先采集要識別的魚類圖像并進行相關的預處理，得到魚體輪廓圖；然后將輪廓圖中的魚體長統一化，再求取魚體頭部夾角、魚體尾柄寬度與尾柄中點到魚頭夾角頂點之間長度比例；最后根據魚頭輪廓夾角與寬長比特征值的分布規律建立分類模型并確定要識別的魚所屬種類。實驗結果表明，該方法在四種常見淡水魚種類識別方面取得了較好的結果，能為魚種類識別提供新的思路和指導。

參考文獻（References）

[1] 陳勝軍，曾名勇.淡水魚加工利用的研究進展[J].中國水產，2002（5）：70-71.

[2] 林開顏，吳軍輝，徐立鴻.基于計算機視覺技術的水果形狀分級方法[J].農業機械學報，2005，36（6）：71-74.

[3] 司永勝，喬軍，劉剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農業機械學報，2009，40（8）：161-165.

[4]李國進，董第永，陳雙.基于計算機視覺的芒果檢測與分級研究[J].農機化研究，2015（10）：13-18.

[5] Xu L M，Zhao Y C，Li D L.Automated strawberry grading system based on image processing[J].Computers & Electronics in Agriculture，2010，71（1）：S32-S39.

[6] 應義斌，饒秀勤，趙勻，等.機器視覺技術在農產品品質自動識別中的應用（Ⅰ）[J].農業工程學報，2000，16（1）：103-108.

[7] 何東健，楊青，薛少平，等.果實表面顏色計算機視覺分級技術研究[J].農業工程學報，1998，14（3）：202-205.

[8] 應義斌，付峰.水果品質機器視覺檢測中的圖像顏色變換模型[J].農業機械學報，2004，35（1）：85-89.

[9] Blasco J，Cubero S，Gómezsanchís J，et al.Development of a machine for the automatic sorting of pomegranate （Punica granatum） arils based on computer vision[J].Journal of Food Engineering，2009，90（1）：27-34.

[10] White D J，Svellingen C，Strachan N J C.Automated measurement of species and length of fish by computer vision[J].Fisheries Research，2006，80（2-3）：203-210.

[11] 張志強，牛智有，趙思明，等.基于機器視覺技術的淡水魚質量分級[J].農業工程學報，2011，27（2）：350-354.

[12] 吳一全，殷駿，戴一冕，等.基于蜂群優化多核支持向量機的淡水魚種類識別[J].農業工程學報，2014，30（16）：312-319.

[13] 涂兵，王錦萍，王思成，等.基于背部輪廓相關系數算法的淡水魚種類識別研究[J].計算機工程與應用，2016，52（16）：162-166.

作者簡介：

陳從平（1976-），男，博士，教授.研究領域：3D打印，機器視覺，機器學習，機電系統控制.

吳 杞（1992-），男，碩士生.研究領域：機器視覺，機器學習.

吳 喆（1993-），男，碩士生.研究領域：機器視覺，機器學習.

呂 添（1992-），男，碩士生.研究領域：3D打印.